پژوهش حاضر به معرفی ‌مدل‌هایی از ترکیب خانواده GARCH با حافظه بلندمدت و شبکه ترکیبی عصبی کانولوشنی و بازگشتی، جهت مدل‌سازی و پیش‌بینی بازدهی روزانه بیت‌کوین طی دوره 1398-1392 می‌پردازد. وجود ویژگی ‌حافظه ‌بلندمدت‌ در واریانس ‌شرطی بازدهی بیت‌کوین موجب شده تا ‌علاوه‌ ‌بر ‌مدل‌های ‌دارای ‌حافظه ‌کوتاه‌مدت GARCH و EGARCH در این ‌پژوهش از مدل‌های FIGARCH و FIEGARCH که دارای ویژگی حافظه بلندمدت هستند؛ استفاده ‌گردد. علاوه بر بکارگیری مدل‌های حافظه کوتاه‌مدت، با توجه به کارایی بهتر مدل‌های ترکیبی (در مقایسه با مدل‌های فردی) در پیش‌بینی داده‌های مالی، در این مطالعه، تمامی مدل‌های خانواده GARCH (اعم از کوتاه‌مدت و بلندمدت) با شبکه ترکیبی عصبی کانولوشنی و بازگشتی ترکیب و با استفاده از مدل‌های ترکیبی حاصل‌شده، بازده بیت‌کوین برای 10 روز آینده به‌صورت گام‌به‌گام پیش‌بینی و دقت آن براساس معیارهای ارزیابی مورد بررسی قرار گرفت. یافته‌های پژوهش نشان داد که مدل‌ ترکیبی FIEGARCH- شبکه عصبی با توزیع تی- استیودنت در پیش‌بینی بازده بیت‌کوین کارآمدتر و دارای خطای پیش‌بینی ‌کمتری نسبت به سایر مدل‌های رقیب است. تفاصيل المقالة

این مقاله به معرفی مدل‌هایی از ترکیب خانواده GARCH و شبکه عصبی کانولوشنی، جهت پیش‌بینی بازدهی روزانه طلای جهانی طی فاصله زمانی 1398-1390 می‌پردازد. در این پژوهش از مدل‌های دارای حافظه کوتاه مدت GARCH و EGARCH استفاده می‌شود. علاوه بر بکارگیری مدل‌های حافظه کوتاه‌مدت، با توجه به کارایی مدل‌های ترکیبی خانواده GARCH (در مقایسه با مدل‌های فردی) در پیش‌بینی داده‌های مالی، در این مطالعه، تمامی مدل‌های خانواده GARCH با شبکه عصبی کانولوشنی ترکیب شده و با استفاده از مدل‌های ترکیبی بازده طلا پیش‌بینی شده است . وهمچنین پیش‌بینی به صورت ده گام به جلو بوده است. نتایج تحقیق حاکی از برتری مدل پیشنهادی نسبت به مدل‌های جاری در پیش‌بینی سری زمانی بازدهی قیمت طلا بود. همچنین براساس معیارهای ارزیابی خطای پیش‌بینی RMSE و MAPE، مدل CNN-EGARCH برپایه توزیع نرمال دارای خطای پیش‌بینی کمتری نسبت به 23 مدل دیگر دارد. در این راستا، معیار بررسی صحت پیش‌بینی دیبولد-ماریانو (DM) نیز یافته‌های فوق را تایید میکند. تفاصيل المقالة